论文笔记：Graphical-based learning environments for pattern recognition

大多数应用程序都使用预处理阶段来处理图结构数据，预处理阶段将图结构信息映射为更简单的表示，比如实数向量。但是，在预处理阶段，节点n上信息的拓扑依赖性等重要信息可能会丢失，最终结果则会不可避免的受到预处理信息丢失的影响。因此，有一些提出的方法首先避免了图数据的预处理，然后使用基于列表的数据处理技术处理预处理数据，而不是特别关注数据的底层图结构性质（这里也没太理解）。换句话说，这些最近的方法试图在数据处理步骤中结合图形结构信息。在关注图的方法中，这是通过递归神经网络来完成的（即上一篇论文中提到的），而在关注节点的方法中，这通常是通过使用随机游走技术(random walk)来完成的。
本文提出了一种新的神经网络模型，它既适用于图的应用，也适用于节点的应用。

符号声明和预备知识

Labels这里指的应该是特征的意思。
本文提出的图神经网络是基于不动点定理和压缩映射的。

1. 不动点：存在X使得X=g(x)，该X称为不动点。不定点存在的充分条件是，函数g是压缩映射。
2. 压缩映射&#x